Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados

Autores
Beron de la Puente, Federico Javier; Montico, Anabella; Revollo, Natalia V.; Gil, Verónica; Zapperi, Paula A.
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
LULC
modelos de aprendizaje de máquina supervisados
áreas agrícolas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/176972
Acceder
id SEDICI_a28a07671a50de53ac88a0f8553bb110
oai_identifier_str oai:sedici.unlp.edu.ar:10915/176972
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisadosBeron de la Puente, Federico JavierMontico, AnabellaRevollo, Natalia V.Gil, VerónicaZapperi, Paula A.Ciencias InformáticasLULCmodelos de aprendizaje de máquina supervisadosáreas agrícolasLa obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.Sociedad Argentina de Informática e Investigación Operativa2024-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1-14http://sedici.unlp.edu.ar/handle/10915/176972spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17974info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-22T17:28:42Zoai:sedici.unlp.edu.ar:10915/176972Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 17:28:43.24SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
title Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
spellingShingle Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
Beron de la Puente, Federico Javier
Ciencias Informáticas
LULC
modelos de aprendizaje de máquina supervisados
áreas agrícolas
title_short Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
title_full Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
title_fullStr Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
title_full_unstemmed Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
title_sort Clasificación de uso y cobertura del suelo basada en modelos de aprendizaje de máquina supervisados
dc.creator.none.fl_str_mv Beron de la Puente, Federico Javier
Montico, Anabella
Revollo, Natalia V.
Gil, Verónica
Zapperi, Paula A.
author Beron de la Puente, Federico Javier
author_facet Beron de la Puente, Federico Javier
Montico, Anabella
Revollo, Natalia V.
Gil, Verónica
Zapperi, Paula A.
author_role author
author2 Montico, Anabella
Revollo, Natalia V.
Gil, Verónica
Zapperi, Paula A.
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
LULC
modelos de aprendizaje de máquina supervisados
áreas agrícolas
topic Ciencias Informáticas
LULC
modelos de aprendizaje de máquina supervisados
áreas agrícolas
dc.description.none.fl_txt_mv La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.
Sociedad Argentina de Informática e Investigación Operativa
description La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.
publishDate 2024
dc.date.none.fl_str_mv 2024-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/176972
url http://sedici.unlp.edu.ar/handle/10915/176972
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17974
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
1-14
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846783772563865600
score 12.982451

Publicaciones similares